Synopsys, Cadence और Siemens EDA चिप डिजाइन को कितना स्वायत्त बना रहे हैं?

DAC 2026 में agentic AI, electronic design automation (EDA) की अगली बड़ी प्लेटफॉर्म जंग के रूप में सामने आया। Synopsys, Cadence और Siemens EDA अब AI को केवल RTL लिखने या documentation खोजने वाले conversational assistant के रूप में नहीं दिखा रहे हैं। उनके नए सिस्टम engineering लक्ष्य को छोटे कार्यों में बांट सकते हैं, स्थापित EDA टूल चला सकते हैं, measurements और verification evidence पढ़ सकते हैं और लक्ष्य हासिल होने तक पूरा चक्र दोहरा सकते हैं। 217

इससे रणनीतिक सवाल भी बदल गया है। भविष्य का विजेता जरूरी नहीं कि वह कंपनी हो जिसके पास सबसे सक्षम general-purpose model हो। बढ़त उस vendor को मिलेगी जो AI agent को design data, deterministic solvers, verification evidence, security controls और production signoff से सबसे भरोसेमंद ढंग से जोड़ सके।

Agentic EDA क्या है?

पारंपरिक EDA टूल स्पष्ट और सीमित काम करते हैं—जैसे synthesis, simulation, formal verification, place-and-route, timing analysis या physical signoff। Agentic EDA इनके ऊपर planning और coordination की परत जोड़ता है।

एक सामान्य workflow में agent:

1. design objective या failure को समझता है;
2. जरूरी tools और sub-tasks चुनता है;
3. RTL, constraints, tests या configurations बनाता अथवा बदलता है;
4. deterministic simulation, formal checks या physical analysis चलाता है;
5. metrics, logs, waveforms या counterexamples पढ़ता है; और
6. अगला बदलाव सुझाकर प्रक्रिया दोहराता है।

Agentic physical design पर शोध भी इसी मॉडल का वर्णन करता है: natural-language लक्ष्य समझना, EDA टूल चलाना, उनके output का विश्लेषण करना, configuration या source code बदलना और measured quality के आधार पर समाधान को लगातार सुधारना। 1

यह copilot से महत्वपूर्ण रूप से अलग है। Copilot अगला कदम सुझाता है; agentic workflow कई चरणों की जिम्मेदारी ले सकता है, हालांकि वह engineering tools और मानव-निर्धारित लक्ष्यों की सीमाओं में काम करता है।

Synopsys: AgentEngineer और L1–L5 autonomy ladder

Synopsys ने अपनी रणनीति को L1 से L5 तक autonomy progression के रूप में रखा है। इसका उद्देश्य assistance और guided automation से आगे बढ़कर अधिक स्वतंत्र engineering workflows बनाना है, जो अंततः कई design domains में काम कर सकें। इन स्तरों की सीमा कोई industry-wide certification नहीं है; इन्हें Synopsys के अपने autonomy framework के रूप में समझना चाहिए।

इस रणनीति का केंद्र AgentEngineer है। DAC में Synopsys ने ऐसा orchestrator दिखाया जो verification objective को छोटे jobs में बांटता है, specialist agents को coordinate करता है, EDA tools चलाता है, परिणामों का निरीक्षण करता है और closed loop में आगे काम जारी रखता है। Synopsys और NVIDIA ने इन्हें chip तथा electronics-system design के लिए fully autonomous, long-running workflows के रूप में पेश किया। 314

कंपनी ने autonomous verification, root-cause analysis और debug closure पर विशेष जोर दिया। Synopsys के अनुसार उसके demonstrations में validated RTL तक पहुंचने का समय 50 गुना तक घटा और coverage में 20% सुधार हुआ। ये कंपनी द्वारा बताए गए आंकड़े हैं, स्वतंत्र benchmark नहीं। 19

Microsoft Discovery के साथ विकसित एक अलग Synopsys workflow में debug-cycle time में शुरुआती तौर पर 25% से 40% कमी रिपोर्ट की गई। इसे भी व्यापक production benchmark के बजाय प्रारंभिक evaluation माना जाना चाहिए। 17

RTL से thermal simulation तक

Synopsys agentic approach को digital logic से आगे physics-heavy electronic-system workflows तक ले जा रहा है। DAC रणनीति में thermal simulation जैसे काम शामिल हैं, जहां agent simulation setup कर सकता है, उसे चला सकता है, output का आकलन कर सकता है और workflow को refine कर सकता है। Ansys portfolio के सहारे कंपनी का “silicon-to-systems” दृष्टिकोण RTL-to-GDS flow से आगे जाता है। 1417

यदि एक ही orchestration layer verification और system-level physics दोनों में काम कर सके, तो Synopsys agentic EDA को अलग-अलग assistants के समूह के बजाय एक निरंतर engineering environment के रूप में पेश कर सकता है।

Cadence: specialist agents और स्थायी design context

Cadence का रास्ता कुछ अलग है। उसका सार्वजनिक positioning specialist agents की hierarchy पर आधारित है, जिसे एक उच्च-स्तरीय AI super-agent coordinate करता है। उपलब्ध रिपोर्टों में ChipStack AI Super Agent के साथ AgentStack या AuraStack जैसे नाम आए हैं, लेकिन सभी नाम primary materials से समान रूप से corroborate नहीं होते। इसलिए ChipStack AI Super Agent और AgentStack अपेक्षाकृत सुरक्षित संदर्भ हैं। 218

Cadence की सबसे अलग अवधारणा Mental Model है। इसका उद्देश्य agent को केवल तत्काल prompt पर निर्भर रखने के बजाय project की constraints, history, intent और पहले लिए गए निर्णयों का structured, design-specific context देना है। चिप डिजाइन में यह बेहद महत्वपूर्ण है, क्योंकि स्थानीय रूप से सही दिखने वाला बदलाव timing budget, packaging constraint, power target या architecture के पुराने निर्णय से टकरा सकता है।

Cadence multiphysics acceleration पर भी जोर दे रहा है। कंपनी का तर्क है कि agent electrical, thermal, mechanical और fluid effects को साथ लेकर सोच सके, ताकि किसी design decision का आकलन केवल digital metrics से नहीं बल्कि पूरे system पर उसके प्रभाव से किया जाए। 1718

रणनीतिक तौर पर Cadence architectural completeness और context के जरिए प्रतिस्पर्धा कर रहा है। लक्ष्य एक stage को automate करना नहीं, बल्कि interacting constraints वाले पूरे design को persistent system की तरह समझना है।

Siemens: physics से भरोसा साबित करने की कोशिश

Siemens EDA अपने Fuse EDA AI Agent को trust के आधार पर अलग कर रहा है। इसमें agent के सुझाए गए action को आगे बढ़ने से पहले deterministic, physics-based Siemens engines के विरुद्ध जांचा जाता है। 2

Fuse scalable Model Context Protocol (MCP) architecture पर आधारित है। MCP orchestration layer को RTL, verification, analog और custom design, place-and-route तथा physical signoff जैसे क्षेत्रों के tools और engineering information से जोड़ने का साझा तरीका देता है। 2

यह approach autonomous engineering के सबसे बड़े जोखिमों में से एक को संबोधित करता है: language model ऐसा plan बना सकता है जो सुनने में सही हो, लेकिन physics के स्तर पर गलत हो। Self-verifying workflow में अंतिम authority domain tool के पास रहती है। यदि timing, geometry, physics या कोई formal constraint action को अस्वीकार करती है, तो agent उस evidence के आधार पर अपनी योजना बदल सकता है।

Siemens इस vision को manufacturing planning और supply-chain scheduling तक के digital thread से जोड़ने की संभावना भी देख रहा है। यानी अंतर केवल autonomy का नहीं, बल्कि industrial evidence और downstream execution से बंधी autonomy का है।

NVIDIA: साझा infrastructure layer

NVIDIA पारंपरिक अर्थों में EDA vendor को replace नहीं कर रहा। इसके बजाय वह उस नई agentic stack की कई परतें उपलब्ध करा रहा है—और इसी वजह से भविष्य के engineering workflow में platform dependence का संभावित केंद्र भी बन रहा है।

NVIDIA ने Synopsys में 2 अरब डॉलर का निवेश किया और AI-driven engineering तथा accelerated EDA workloads पर multiyear partnership बढ़ाई। 13

इस infrastructure में कई हिस्से शामिल हैं:

• Accelerated computing: Grace Blackwell का उपयोग simulation और AI inference में किया जा रहा है। Synopsys ने generative-AI Copilot के लिए NVIDIA NIM inference microservices से time-to-information में 2 गुना सुधार बताया, जबकि NVIDIA ने Fluent aerodynamic simulation के एक use case में CPU की तुलना में 34 गुना speedup रिपोर्ट किया। ये use-case results हैं, सार्वभौमिक EDA benchmarks नहीं। 1516
• Models और orchestration: Synopsys के DAC workflow में NVIDIA Nemotron, NVIDIA Agent Toolkit और agent execution तथा governance के लिए OpenShell runtime का उपयोग किया गया। 314
• Physics acceleration: NVIDIA की CUDA-X और PhysicsNeMo libraries simulation-heavy engineering workflows को support करने के लिए बनाई गई हैं। 2
• CPU performance: Vera CPU उन compute-intensive और sequential workloads के लिए है जो conventional EDA में अब भी महत्वपूर्ण हैं। NVIDIA के अनुसार Cadence और Synopsys के साथ applications को optimize किया जा रहा है; reported testing में Cadence Jasper और Synopsys VCS के लिए लगभग 1.5 गुना performance gain दिखा, हालांकि ये vendor-reported आंकड़े हैं। 45

इससे competition layered हो जाती है। EDA कंपनियों के पास design databases, domain tools और signoff flows हैं, जबकि NVIDIA compute, models, orchestration components और runtime infrastructure दे रहा है। ग्राहकों को तेज workflows मिल सकते हैं, लेकिन यह सवाल भी उठता है कि भविष्य का कितना engineering stack एक साझा hardware-software platform पर निर्भर होगा।

Kimi K3 ने क्या साबित किया—और क्या नहीं

Kimi K3 का demonstration incumbent कंपनियों की घोषणाओं के लिए एक महत्वपूर्ण counterpoint है। उपलब्ध विवरण के अनुसार Kimi K3 ने 48 घंटे के autonomous run में open-source EDA tools और Nangate 45 nm library का उपयोग करके nano model के लिए chip design, optimization और verification किया। Reported design करीब 4 mm² का था और simulation में 100 MHz पर timing close हुई। 17

यह इस बात का उपयोगी प्रमाण है कि LLM-based agent सीमित परिस्थितियों में end-to-end design loop coordinate कर सकता है। Architecture, RTL generation, optimization, verification और timing analysis को एक autonomous प्रक्रिया में जोड़ा जा सकता है।

लेकिन इससे यह साबित नहीं होता कि commercial EDA tools या expert chip-design teams अप्रासंगिक हो गई हैं। प्रयोग mature 45 nm reference flow पर हुआ, जो leading-edge process technology से लगभग दो दशक पीछे है। इससे modern process design kits, advanced timing और power closure, analog design, design-for-test, IP integration, reliability analysis, manufacturing constraints या production signoff पर निष्कर्ष नहीं निकाला जा सकता।

इस प्रयोग में evidence का सवाल भी है। Reported result project की अपनी technical materials से आया है, स्वतंत्र रूप से दोहराया गया production benchmark नहीं है। इसलिए यह दावा कि design का प्रदर्शन contemporary chips से 20 से 30 गुना कम था, मजबूत नियंत्रित तुलना के बिना benchmark नहीं माना जाना चाहिए।

सावधान निष्कर्ष यही है: open-source tools mature-node demonstration को संभव बना सकते हैं, लेकिन competitive और manufacturable leading-edge designs अभी भी foundry collateral, process libraries, mature signoff flows और विशेषज्ञ engineering expertise पर बहुत निर्भर हैं।

चीनी EDA कंपनियों के लिए अवसर

Agentic AI चीनी EDA कंपनियों को workflow स्तर पर प्रतिस्पर्धा करने का मौका देता है। उन्हें हर mature point tool की नकल करने के बजाय verification, debugging, domestic deployment, advanced packaging और LLM-native interfaces जैसे क्षेत्रों में बढ़त बनाने का अवसर मिल सकता है। DAC से जुड़ी reporting के अनुसार agentic AI RTL generation और testbench creation से लेकर simulation, formal verification और debugging तक flow में प्रवेश कर रहा है। 17

उपलब्ध research में कुछ उदाहरण सामने आते हैं:

• Xpeedic: इसकी signal- और power-integrity capabilities को agentic system, package और advanced-packaging analysis से जोड़ा जा सकता है, जहां simulation evidence agent के फैसलों को सीमित करता है।
• XEPIC: कंपनी ने XEPIC Intelligent System foundation की घोषणा की है, जिसमें intelligent verification और design systems तथा तेज simulation offering शामिल हैं। 17
• UniVista: कंपनी ने domestically developed EDA architecture पर RTL design, verification, correction और optimization को coordinate करने वाले agentic design platform का वर्णन किया है। 17
• Chips Z, Banxin और Zhiwei Chuangxin: ये domestically controlled toolchains, specialized design और verification agents तथा LLM-native engineering interfaces की व्यापक दिशा को दर्शाते हैं।

सबसे विश्वसनीय product pattern evidence loop है: agent किसी hypothesis या fix को generate करे, simulation अथवा formal verification चलाए, counterexample या quality metric पढ़े और उसी evidence को अगले निर्णय में इस्तेमाल करे। Domain checks के बिना general-purpose model से chip generate करवाकर उसके output पर भरोसा करना कहीं कम विश्वसनीय है।

इंजीनियरों के लगभग 60% समय debugging और process-heavy work में खर्च होने का अक्सर उद्धृत आंकड़ा industry estimate है, सार्वभौमिक measurement नहीं। फिर भी अवसर स्पष्ट है: repetitive triage, trace analysis, test creation, root-cause localization और regression repair को automate किया जा सकता है। 17

असली प्रतिस्पर्धा models की fluency नहीं, evidence की है

DAC 2026 का सबसे महत्वपूर्ण संकेत यह नहीं था कि autonomous chip design की समस्या हल हो चुकी है। संकेत यह था कि प्रमुख EDA vendors agentic workflows को अपने platform advantages का अगला विस्तार मान रहे हैं।

Synopsys autonomy ladder, AgentEngineer, verification closure और silicon-to-systems breadth पर जोर दे रहा है। Cadence specialist-agent coordination, persistent design context और multiphysics reasoning को आगे रख रहा है। Siemens self-verification, MCP-based tool integration और व्यापक industrial thread को अपनी पहचान बना रहा है।

तीनों के सामने साझा चुनौती trust है। उपयोगी EDA agent को यह समझाना होगा कि उसने क्या बदला, workflow को दोहराना संभव होना चाहिए, design intent सुरक्षित रहना चाहिए और deterministic evidence दिखना चाहिए कि परिणाम संबंधित constraints को पूरा करता है।

इसलिए निकट अवधि का विजेता वह vendor नहीं होगा जिसके पास सबसे धाराप्रवाह model है। बढ़त उस कंपनी को मिलेगी जिसके agents मौजूदा data, IP, security, simulation और signoff flows के भीतर सुरक्षित रूप से काम करें और हर autonomous action को audit योग्य engineering evidence में बदल सकें।